基础认知：两者的分工到底是什么
实体识别是知识图谱构建的第一步，说白了就是从一堆杂乱文字里，把有意义的实体揪出来。
比如你在搜索框输入“杭州西湖周边的咖啡店”，实体识别会先拆分出“杭州西湖”“咖啡店”这两个核心实体，才会进行下一步匹配。
而知识图谱，就是把识别好的所有实体，按它们之间的关系整理成一张网，方便快速调出结果。还是刚才的例子，知识图谱里存着“杭州西湖-周边-XX咖啡店”的关联，就能直接给你展示结果，不用你挨个翻网页找。
实操里容易踩的几个误区
说实话，很多刚接触的人容易跑偏，第一个常见误区就是一开始想覆盖所有实体。
比如你做本地生活的知识图谱，只需要识别商家、位置、品类这些核心实体就够用，没必要把“某店外卖餐盒的颜色”这种非核心信息也加进来，反而增加冗余。
据一些用户反馈，中小项目里优先识别核心实体，后续再逐步补充边缘信息，运行效率会高不少。
第二个误区，就是觉得实体识别准确率够高就没问题，其实实体关系错配的影响更大。比如把“某咖啡店的店主”错配成另一个同名的人，整个知识图谱给出的结果就是错的。
延伸：不止是大厂的技术
有意思的是，很多人觉得这两个技术只有AI大厂能用，其实不然。
哪怕你整理自己的读书笔记，给不同书籍里的人物、事件打标签分类，本质就是手动做实体识别，再构建属于你自己的小型知识图谱。
从实操角度看，越贴近具体场景的应用，越不需要追求大而全，够用就好。
您在实际使用中还遇到过哪些情况？欢迎结合具体场景继续探讨。